本文關(guān)鍵詞： 鍛造生產(chǎn)線 能耗模型 多元回歸 支持向量機(jī) 粒子群算法　出處：《山東大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：中國(guó)的能源消費(fèi)結(jié)構(gòu)中,工業(yè)能源消費(fèi)占到70%,伴隨著能源問題的日益嚴(yán)峻以及能源價(jià)格的持續(xù)上漲,工業(yè)節(jié)能不僅是國(guó)家"十三五"節(jié)能減排規(guī)劃的要求,更是工業(yè)企業(yè)提升綜合實(shí)力的必由之路。生產(chǎn)線的能耗建模和預(yù)測(cè)是工業(yè)企業(yè)節(jié)能的一個(gè)重要研究方向,而機(jī)器學(xué)習(xí)算法的日趨成熟為構(gòu)建性能優(yōu)良的能耗模型提供了一條途徑。本文首先介紹了生產(chǎn)線制造系統(tǒng)及能耗預(yù)測(cè)的相關(guān)理論,根據(jù)現(xiàn)代制造系統(tǒng)的結(jié)構(gòu)和特點(diǎn),總結(jié)了設(shè)備層、工藝層和系統(tǒng)層能耗問題的研究方法,結(jié)合能耗預(yù)測(cè)在不同領(lǐng)域的應(yīng)用,制定了生產(chǎn)線能耗預(yù)測(cè)的基本框架。針對(duì)某公司鑄鍛中心進(jìn)行能源調(diào)研工作,從工藝流程、生產(chǎn)表現(xiàn)、設(shè)備狀態(tài)和物流四個(gè)方面初步選取鍛造生產(chǎn)線的11個(gè)能耗影響因素。之后采集企業(yè)2015-2016年的能耗及相關(guān)因素?cái)?shù)據(jù),剔除異常樣本數(shù)據(jù)、次要數(shù)據(jù)和冗余數(shù)據(jù),篩選出生產(chǎn)線能耗的7個(gè)主要影響因素。在此基礎(chǔ)上使用多元回歸的方法,針對(duì)生產(chǎn)線的8種產(chǎn)品進(jìn)行了能耗的多元回歸建模。鍛造生產(chǎn)線的能耗因素多樣,生產(chǎn)過(guò)程存在著諸多不穩(wěn)定因素,而機(jī)器學(xué)習(xí)算法可以利用數(shù)據(jù)模擬高維復(fù)雜系統(tǒng)。本文采用支持向量機(jī)方法,通過(guò)實(shí)驗(yàn)確定最優(yōu)核函數(shù)為RBF徑向基核函數(shù),采用試湊法與五折交叉驗(yàn)證法完成RBF支持向量機(jī)預(yù)測(cè)模型的懲罰因子C和核函數(shù)參數(shù)g的參數(shù)選取工作。針對(duì)重點(diǎn)耗能設(shè)備中頻感應(yīng)加熱爐,通過(guò)留一法結(jié)合支持向量機(jī)完成加熱爐的能耗預(yù)測(cè)模型。通過(guò)引入交叉驗(yàn)證和自適應(yīng)性變異,提高了粒子群算法的全局尋優(yōu)能力,并將其應(yīng)用于支持向量機(jī)超參數(shù)的優(yōu)化工作,改善了生產(chǎn)線能耗模型的預(yù)測(cè)性能,最后通過(guò)模型精度對(duì)比,驗(yàn)證了改進(jìn)后的能耗模型在預(yù)測(cè)精度上的優(yōu)勢(shì)。
[Abstract]:In the energy consumption structure of China, industrial energy consumption accounts for 70%, along with the increasingly serious energy problems and rising energy prices. Industrial energy saving is not only the requirement of the 13th Five-Year Plan, but also the only way for industrial enterprises to improve their comprehensive strength. The modeling and prediction of production line energy consumption is an important research direction for industrial enterprises. The maturation of machine learning algorithm provides a way to build energy consumption model with good performance. Firstly, this paper introduces the production line manufacturing system and the related theory of energy consumption prediction. According to the structure and characteristics of modern manufacturing system, this paper summarizes the research methods of energy consumption in equipment layer, process layer and system layer, and combines the application of energy consumption prediction in different fields. The basic framework of energy consumption prediction of production line is established. The energy research work is carried out according to the casting and forging center of a company from the process flow and the production performance. Four aspects of equipment status and logistics initially selected 11 factors affecting the energy consumption of forging production line, and then collected the energy consumption and related factors data from 2015-2016 to eliminate the abnormal sample data. The secondary data and redundant data were used to screen out the seven main influencing factors of production line energy consumption. On this basis, the method of multivariate regression was used. Multivariate regression modeling of energy consumption was carried out for 8 kinds of products in the production line. The factors of energy consumption in forging production line were various and there were many unstable factors in the production process. The machine learning algorithm can simulate the high-dimensional complex system with data. In this paper, the support vector machine method is used to determine the optimal kernel function as RBF radial basis kernel function. The penalty factor C and kernel parameter g of the prediction model of RBF support vector machine are selected by means of trial and error method and 50 fold cross verification method. The intermediate frequency induction heating furnace is used for the key energy consuming equipment. The energy consumption prediction model of the reheating furnace is completed by using a residual method and support vector machine. The global optimization ability of the particle swarm optimization algorithm is improved by introducing cross-validation and self-adaptive mutation. It is applied to the optimization of super parameters of support vector machine to improve the prediction performance of the energy consumption model of production line. Finally, the superiority of the improved energy consumption model in prediction accuracy is verified by comparing the accuracy of the model.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TG318;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 呂印增;;鐵路貨車車軸鍛造生產(chǎn)線淺談[J];鍛壓裝備與制造技術(shù);2008年01期

2 張浩 ,蔣鵬 ,曹飛 ,樓捷;國(guó)產(chǎn)離合器式螺旋壓力機(jī)及其在鍛造生產(chǎn)線中的應(yīng)用[J];機(jī)械工人;2005年04期

3 王開遠(yuǎn);;簡(jiǎn)析2003版《鍛造生產(chǎn)安全與環(huán)保通則》強(qiáng)制性國(guó)家標(biāo)準(zhǔn)[J];機(jī)械工業(yè)標(biāo)準(zhǔn)化與質(zhì)量;2007年08期

4 王振志;滿國(guó)祥;李曉暉;;鉆桿加厚鍛造生產(chǎn)線的研發(fā)[J];地質(zhì)裝備;2008年03期

5 佟艷海;李祥濱;陳劍波;;鍛造生產(chǎn)線傳送機(jī)的改進(jìn)[J];哈爾濱軸承;2010年03期

6 陳君豪;;鍛造生產(chǎn)自動(dòng)化的前景[J];鍛壓機(jī)械;1977年06期

7 林義雄;;曲軸鍛造生產(chǎn)線[J];鍛壓機(jī)械;1980年04期

8 王開吉;;國(guó)內(nèi)外鍛造生產(chǎn)機(jī)械化自動(dòng)化概況[J];鍛壓機(jī)械;1981年03期

9 戴廣運(yùn);;發(fā)生爐熱煤氣在鍛造生產(chǎn)應(yīng)用中的幾個(gè)技術(shù)問題[J];鍛壓機(jī)械;1983年01期

10 楊文魁;鍛造生產(chǎn)的機(jī)械化與自動(dòng)化[J];鍛壓機(jī)械;1986年03期

相關(guān)重要報(bào)紙文章 前8條

1 通訊員 江山海　張晉;強(qiáng)化管理 深挖潛能 逆勢(shì)而上[N];馬鞍山日?qǐng)?bào);2011年

2 記者 白茂槐 通訊員 亓偉娜;中冶東方承建的包頭匯眾鋁合金鍛造生產(chǎn)基地落成[N];中國(guó)冶金報(bào);2007年

3 證券時(shí)報(bào)記者 陳鍇;大冶特鋼斥資4.98億建特鋼生產(chǎn)線[N];證券時(shí)報(bào);2009年

4 鄧成和;“神州第一錘”與客戶共鑄產(chǎn)品聯(lián)盟[N];中國(guó)鄉(xiāng)鎮(zhèn)企業(yè)報(bào);2003年

5 本報(bào)記者 蘇衍宗;迎難而上的“火線指揮員”[N];閩南日?qǐng)?bào);2007年

6 安綜;鍛造工作要注意哪些安全事項(xiàng)[N];中華合作時(shí)報(bào);2008年

7 記者 劉相華;天潤(rùn)曲軸擬2億投建曲軸鍛件項(xiàng)目[N];上海證券報(bào);2011年

8 證券時(shí)報(bào)記者 賈小兵;天潤(rùn)曲軸將新增35萬(wàn)支鍛鋼曲軸毛坯產(chǎn)能[N];證券時(shí)報(bào);2011年

相關(guān)碩士學(xué)位論文 前7條

1 杜蓮蓮;CVT變速器定滑輪自動(dòng)化鍛造生產(chǎn)線研究[D];山東大學(xué);2015年

2 江明明;面向鍛造生產(chǎn)的節(jié)能調(diào)度研究[D];南京理工大學(xué);2017年

3 王宏愿;基于支持向量機(jī)的鍛造生產(chǎn)線能耗預(yù)測(cè)研究[D];山東大學(xué);2017年

4 丁小祥;面向節(jié)能減排的鍛造生產(chǎn)調(diào)度方法研究[D];南京理工大學(xué);2012年

5 段博文;基于現(xiàn)場(chǎng)總線的鍛造生產(chǎn)線控制系統(tǒng)研究及應(yīng)用[D];東北大學(xué);2012年

6 徐青;基于多Agent的鍛造生產(chǎn)調(diào)度系統(tǒng)研究[D];南京理工大學(xué);2014年

7 林棟;TR公司曲軸毛坯鍛造生產(chǎn)效率提升項(xiàng)目研究與應(yīng)用[D];山東大學(xué);2014年

，

本文編號(hào)：1482338